【技术实现步骤摘要】
本专利技术属于材料基因工程，尤其是涉及一种基于机器学习的钛合金超塑性预测方法。
技术介绍
1、钛合金由于其优异的比强度、强韧性能和耐腐蚀特性，已然在航空航天、武器装备、关键医疗设备等领域得到广泛应用。然而，钛合金的成型与加工难度较大，生产成本较高，这是其在实际装备生产过程中所面临的重要挑战之一。超塑性是指在一定温度和一定变形速率下，材料能够获得极大变形量的能力。利用材料的超塑性能可以使合金在特定温度下成型至其极限，从而获得复杂的几何形状。超塑性是指导合金超塑成型的重要性能基础，也是指导钛合金成型难题的重要工艺指标。然而，传统的超塑性试验过程需要严格的试验温度控制和应变速率保持，该过程易受到参数控制不当、合金高温氧化和合金意外断裂等不稳定因素的干扰，同时，超塑拉伸测试温度较高且测试时间较长，整体试验成本较高。
2、机器学习辅助材料设计与开发过程，其仅需基于少量已有实验数据和文献数据，通过特征选择和机器学习模型训练，经过少量的机器学习模型参数优化，便可实现对目标材料及其相关性能的预测，大幅度加速了材料研发进程。具体而言，将机器学习算法应用于钛合金超塑性能的预测，有助于降低传统超塑性拉伸过程中的试验误差，减少合金超塑性能试验材料成及高温长时保温保载的能源资源成本，并摆脱诸多不可控因素的束缚。因此，提出一种基于机器学习的钛合金超塑性预测方法。
技术实现思路
1、本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于机器学习的钛合金超塑性预测方法，该方法将钛合金超
2、为解决上述技术问题，本专利技术采用的技术方案是：基于机器学习的钛合金超塑性预测方法，其特征在于：该方法包括以下步骤：
3、步骤一、建立合金超塑性的原始数据库；
4、步骤二、对原始数据库中的数据进行特征筛选，对筛选的特征数据进行预处理，并划分训练集和测试集；
5、步骤三、将步骤二中预处理后的特征数据输入到机器学习系统中进行训练和测试，得到最佳的机器学习模型；
6、步骤四、将待预测钛合金中的特征数据输入步骤三中得到的最佳机器学习模型中，输出预测的超塑延伸率。
7、上述的基于机器学习的钛合金超塑性预测方法，其特征在于：步骤一中，所述合金超塑性原始数据库中的数据包括峰值流动应力，合金的元素及成分配比，原子半径，α相平均晶粒尺寸，β相转变温度，超塑性测试温度，超塑性测试速率，应变速率敏感系数m值，超塑延伸率。
8、上述的基于机器学习的钛合金超塑性预测方法，其特征在于：步骤二中，对原始数据库中的数据进行特征筛选时，需要依次进行特征组合建立和特征相关性分析，筛选的特征数据包括超塑性测试温度，超塑性测试速率，原子半径，α相平均晶粒尺寸。
9、上述的基于机器学习的钛合金超塑性预测方法，其特征在于：步骤二中，通过归一化处理方法或z-score标准化法对筛选的特征数据进行预处理；采用归一化处理方法对筛选的特征数据进行预处理时，根据公式进行计算；其中，xnew为归一化后的数值，xnew取值范围为[0,1]，x为归一化前数值，xmax为需要预处理的特征数据的最大值，xmin为需要预处理特征数据的最小值；
10、采用z-score标准化法对筛选的特征数据进行预处理时，根据公式进行计算；其中，μ为需要预处理的特征数据的平均值，σ为需要预处理的特征数据的标准差。
11、上述的基于机器学习的钛合金超塑性预测方法，其特征在于：步骤三中，所述机器学习模型以筛选的特征数据组合作为模型输入，以超塑延伸率作为模型输出，采用k重交叉验证，得到机器学习模型。
12、上述的基于机器学习的钛合金超塑性预测方法，其特征在于：步骤三中，通过决定系数r2，均方误差mse评估机器学习模型预测值与实际值的偏离程度，结合交叉验证cverror评估机器学习模型的泛化能力，三者综合评价最优者为优选的机器学习模型。
13、上述的基于机器学习的钛合金超塑性预测方法，其特征在于：决定系数r2的计算公式为
14、均方误差mse的计算公式为
15、交叉验证cverror的计算公式为其中，n为交叉验证次数；m为总样本数；yi样本真实值；为模型预测值；为模型预测均值。
16、本专利技术的有益效果是将钛合金超塑性与机器学习手段相融合，仅需少量原始数据输入，通过训练机器学习模型即可高效预测得到钛合金超塑性能，在弱化传统试验试错中不可控因素制约，大幅降低超塑拉伸试验试错成本、能源消耗成本、时间周期成本的同时，更为高效地指导下游合金生产过程中的超塑成型工艺参数设计。
17、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.基于机器学习的钛合金超塑性预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于机器学习的钛合金超塑性预测方法，其特征在于：步骤一中，所述合金超塑性原始数据库中的数据包括峰值流动应力，合金的元素及成分配比，原子半径，α相平均晶粒尺寸，β相转变温度，超塑性测试温度，超塑性测试速率，应变速率敏感系数m值，超塑延伸率。
3.根据权利要求1所述的基于机器学习的钛合金超塑性预测方法，其特征在于：步骤二中，对原始数据库中的数据进行特征筛选时，需要依次进行特征组合建立和特征相关性分析，筛选的特征数据包括超塑性测试温度，超塑性测试速率，原子半径，α相平均晶粒尺寸。
4.根据权利要求1所述的基于机器学习的钛合金超塑性预测方法，其特征在于：步骤二中，通过归一化处理方法或Z-score标准化法对筛选的特征数据进行预处理；采用归一化处理方法对筛选的特征数据进行预处理时，根据公式进行计算；其中，Xnew为归一化后的数值，Xnew取值范围为[0,1]，X为归一化前数值，Xmax为需要预处理的特征数据的最大值，Xmin为需要预处理特征数据的最小值；p>
5.根据权利要求1所述的基于机器学习的钛合金超塑性预测方法，其特征在于：步骤三中，所述机器学习模型以筛选的特征数据组合作为模型输入，以超塑延伸率作为模型输出，采用K重交叉验证，得到机器学习模型。
6.根据权利要求1所述的基于机器学习的钛合金超塑性预测方法，其特征在于：步骤三中，通过决定系数R2，均方误差MSE评估机器学习模型预测值与实际值的偏离程度，结合交叉验证CVerror评估机器学习模型的泛化能力，三者综合评价最优者为优选的机器学习模型。
7.根据权利要求6所述的基于机器学习的钛合金超塑性预测方法，其特征在于：决定系数R2的计算公式为
...【技术特征摘要】
1.基于机器学习的钛合金超塑性预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于机器学习的钛合金超塑性预测方法，其特征在于：步骤一中，所述合金超塑性原始数据库中的数据包括峰值流动应力，合金的元素及成分配比，原子半径，α相平均晶粒尺寸，β相转变温度，超塑性测试温度，超塑性测试速率，应变速率敏感系数m值，超塑延伸率。
3.根据权利要求1所述的基于机器学习的钛合金超塑性预测方法，其特征在于：步骤二中，对原始数据库中的数据进行特征筛选时，需要依次进行特征组合建立和特征相关性分析，筛选的特征数据包括超塑性测试温度，超塑性测试速率，原子半径，α相平均晶粒尺寸。
4.根据权利要求1所述的基于机器学习的钛合金超塑性预测方法，其特征在于：步骤二中，通过归一化处理方法或z-score标准化法对筛选的特征数据进行预处理；采用归一化处理方法对...
【专利技术属性】
技术研发人员：张磊，郭萍，王欢，强菲，
申请(专利权)人：西北有色金属研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。